面向可迁移推荐的协同词级预训练物品表示

基于摘要分析。本文研究序列推荐中的物品表示迁移问题：传统 ID 嵌入难以跨领域共享，而预训练语言模型生成的文本表示未充分利用协同过滤（CF）信息。作者提出 CoWPiRec，将物品级交互数据转换为包含词级协同关系的图，并通过预训练任务对齐物品表示中的词级语义与 CF 信息。 核心机制是把交互信息引入文本表示学习，使表示不只依赖物品 ID 或文本语义。相较于仅使用文本的物品表示学习，其方法差异在于利用词图承载协同关系，再进行语义与协同信息的对齐。摘要未给出词图构建规则、边权定义、预训练目标的具体形式及语言模型配置，这些实现细节尚未验证。 作者报告，在多个公开数据集的跨场景推荐评估中，CoWPiRec 在微调与零样本设置下均优于所比较的先进可迁移序列推荐方法，并能缓解冷启动问题。摘要未提供数据集名称、划分方式、指标数值、统计检验或冷启动定义，因此不能量化优势或判断不同设置下的收益。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但代码内容、运行条件及与论文实验的一致性尚未核验。 本研究的主要对象是推荐系统中的物品文本与用户交互，而非神经信号。其机制依赖可构建词级协同关系的文本与交互数据；当前材料未提供与 EEG/BCI 数据结构的具体对应关系，不据此提出迁移效果或复现实验建议。已有 EEG 相关工作尚未检索确认。